共查询到18条相似文献，搜索用时 234 毫秒
1.
以玉米病害图像为例,经图像预处理后,采用遗传算法从图像纹理、颜色和形状多个原始特征中优选,优化出相关信息测度、归一化蓝色颜色分量b值、Cb、颜色矩、病斑周长和形状因子等独立性、稳定性好及分类能力强的特征向量用于病害识别。利用SPSS软件提供的Bayes判别分析结果表明,该方法提高了病害图像识别的效率和精度。 相似文献
2.
基于Fisher判别分析的玉米叶部病害图像识别 总被引：9，自引：2，他引：7
【目的】利用计算机视觉技术实现玉米叶部病害的自动识别诊断。【方法】在大田开放环境下采集病害图像样本,综合应用基于H阈值分割、迭代二值化、图像形态学运算、轮廓提取等算法处理病害图像,抽取病斑,提取病害图像的纹理、颜色、形状等特征向量,采用遗传算法优化选择出分类特征,并利用费歇尔判别法识别普通锈病、大斑病和褐斑病3种玉米叶部病害。【结果】研究中提取了墒、相关信息测度、分形维数、H值、Cb值、颜色矩、病斑面积、圆度、形状因子等28个特征向量,利用遗传算法优选出H值、颜色矩、病斑面积、形状因子等4个独立、稳定性好、分类能力强的特征向量,应用费歇尔判别分析法识别病害,准确率达到90%以上。【结论】综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像,为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴。 相似文献
3.
基于病斑特征融合的烟草病害图像检索方法 总被引：1，自引：0，他引：1
针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。 相似文献
4.
通过研究小麦叶部病害的症状特点及图像特点,应用K_means硬聚类算法对小麦叶部病害图像进行彩色图像分割,得到二值化分割和彩色分割,利用多重分形分析从二值化分割图像中提取病害形状特征参数,分别利用提升小波变换和脉冲耦合神经网络从彩色分割图像中提取颜色特征参数和纹理特征参数.根据提取的组合特征参数,利用学习向量量化神经网络进行小麦病害分类识别.结果表明,该算法对小麦病害的识别率可达到95％以上. 相似文献
5.
[目的]针对黄瓜生长过程中常见的霜霉病、白粉病和靶斑病,提出改进的病害识别方法,为黄瓜病害自动识别提供一种技术支持.[方法]将RGB模型的病害图像转换到HSV和YUV颜色空间,通过OTSU筛选,获取阈值分割效果最好的HSV颜色空间的V分量,综合全阈值法和局部动态阈值法对V分量进行分割,获取病斑区和过渡区的分割图像.分别提取病斑区和过渡区的颜色和形状特征,基于支持向量机(Support vector machines,SVM)进行病害识别.[结果]以采集的240幅病害图像为研究样本,当惩罚参数C=32,核函数参数γ=1时,基于病斑区和过渡区在颜色和形状方面的22个特征数据,SVM分类器对霜霉病、白粉病和靶斑病3种病害的识别率分别达83.3%、76.7%和90.0%,对比仅以病斑区的11个特征数据为基础的识别结果,增加过渡区特征数据之后,黄瓜病害识别率有较大提升,分别提高26.6%、13.4%和16.7%(绝对值).[建议]未来研究中应拓展黄瓜病害研究的种类,在进行病害识别时应将病害发展程度及病害的混合性考虑在内. 相似文献
6.
7.
通过多重分形分析和提升格式的多小波变换,对小麦病害图像进行预处理,有效去除了图像的噪声,然后利用多重分形理论,对小麦病害图像进行分割,并提取小麦病害图像的8个多重分形谱值,作为小麦病害的形状特征.试验结果证明,不同小麦病害的形状特征值有很大的差异,同类小麦病害图像的形状特征值具有一定的规律性.因此,可以提取小麦病害的形状特征值进行小麦病害的诊断. 相似文献
8.
基于图像识别的小麦腥黑穗病害诊断技术研究 总被引：1，自引：0，他引：1
传统的检疫小麦腥黑穗病害的方法效率较低影响检测的稳定性和客观性.提出一种基于图像识别的小麦腥黑穗病分类诊断技术.以显微镜下采集的小麦病害图像为研究对象,对其进行滤波增强及病害区域分割,再提取单个病害区域图像的颜色、形状和纹理等特征参数;最后利用归一化后的特征值,通过BP神经网络分类器实现了小麦腥黑穗病害的诊断.将计算机图像识别结果和实际小麦腥黑穗病类型进行对比,表明了该诊断技术的可行性和有效性 相似文献
9.
首先对枸杞叶部图像的各类别病害图像的颜色特征进行分析,建立对应病害类别的颜色特征码本,最后利用稀疏表示理论建立病害图像颜色分布与病害类别的映射关系,进行基于颜色特征码本的病害图像分类。试验结果表明,该方法能有效建立病害图像的颜色特征与病害类别之间的关系。 相似文献
10.
[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。 相似文献
11.
针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。 相似文献
12.
基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。 相似文献
13.
针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。 相似文献
14.
基于图像技术的玉米叶部病害识别研究 总被引：2，自引：0，他引：2
针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。 相似文献
15.
基于量子神经网络和组合特征参数的玉米叶部病害识别 总被引：1，自引：0，他引：1
【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。 相似文献
16.
基于深度学习和支持向量机的4种苜蓿叶部病害图像识别 总被引：1，自引：2，他引：1
为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。 相似文献
17.
为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。 相似文献
18.
以2013—2015年116份春小麦种子样品为材料,应用Seed Identification软件并结合仪器和手工测定获得17个物理指标值(千粒重、宽度、长度、投影面积、厚度、比重、硬度、灰度值、RGB颜色模型中红色R、绿色G和蓝色B、Lab颜色模型中的亮度L、色彩通道a和色彩通道b、HSB颜色模型中的色相H、饱和度S和亮度B。利用主成分分析法和聚类分析法,在标准环境及3种逆境(盐胁迫、干旱胁迫和人工加速老化胁迫)下,探讨了春小麦种子物理指标与种子活力的关系。研究发现各培养环境下,种子活力与种子的千粒重、宽度、长度、投影面积、S和a有明显相关性。千粒重、宽度、长度、投影面积、S和a值较小的小粒种子比大粒种子表现出更高的活力。本研究结果表明:小粒种子较大粒种子有更强的耐逆境能力;千粒重、宽度、长度、投影面积、S和a可作为逆境萌发条件下高活力种子样品筛选的候选指标。 相似文献